基于YOLOv4的目标检测模型的训练及测试

一、数据集准备

在开始训练之前，需要先收集一些图片并标注一个适用于目标检测模型的数据集。

本次标注工具使用LabelImg。

先将需要训练的图片放入项目的文件夹里，如下所示。

我们可以使用一些标注工具手动绘制边界框并指定类别标签，确保每个目标类别都有准确的边界框标注，完成数据的标注工作。

标注实图所示：

完成一张图片的标注后，将标注信息保存为一个XML文件。存放地址如图所示。

二、环境搭建

由于训练数量大，训练速度非常慢，这里需要安装GPU加速库——CUDA。

将过程中所涉及到的相关教程放在下面。原教程以YOLOv5为例，本次是基于YOLOv4，就相应的改变一下即可。

如何使用CPU/GPU运行——安装环境及依赖

ps:在我千辛万苦安好CUDA之后才发现学校的电脑没有GPU,全部作废。所以请在进行这一部之前检查你所使用的电脑是否有GPU。

三、代码准备

本次采用的代码为学校老师提供的代码。

对原始代码需要改动的地方如下：

改动1：根据自己需要训练的图片数量改动UnFreeze_Epoch的值，此处是训练100张即对应改成100即可。

 改动2：

在model_data中的voc_classes.txt文件中加入标注的标签，如本次标注是eyebrow后面的。

ps：此处应该把其他的删除只留下自己的，不然出来的可能会有问题。

改动完后运行voc_annotation.py。

四、开始训练

上述操作结束完就可以开始训练了，允许train.py，这是一个很漫长的过程，本次训练了100张用了四个多小时，被锁在教学楼里面差点回不去...

最后得出结果：

研究过一些其他人的教程，多训练几次可以提高准确率，所以条件允许的情况下可以多训练几次提高准确率。